Süchtigkeitsverhalten 2018 Feb 12; 81: 157-166. doi: 10.1016 / j.addbeh.2018.02.017.
Ioannidis K1, Treder MS2, Kammerherr SR1, Kiraly F3, Redden SA4, Stein DJ5, Lochner C6, Gewähre JE7.
Abstrakt
HINTERGRUND UND ZIELE:
Problematische Internetnutzung (PIU, auch Internet Addiction genannt) ist ein wachsendes Problem in modernen Gesellschaften. Es gibt kaum Kenntnisse über die demografischen Variablen und spezifischen Internetaktivitäten, die mit PIU verbunden sind, und ein begrenztes Verständnis darüber, wie PIU konzipiert werden sollte. Unser Ziel war es, spezifische Internetaktivitäten im Zusammenhang mit PIU zu identifizieren und die moderierende Rolle von Alter und Geschlecht in diesen Vereinigungen zu untersuchen.
METHODEN:
Wir haben 1749-Teilnehmer im Alter von 18 und älter über Medienanzeigen in einer internetbasierten Umfrage an zwei Standorten rekrutiert, einer in den USA und einer in Südafrika. Wir nutzten die Lasso-Regression für die Analyse.
ERGEBNISSE:
Spezifische Internetaktivitäten waren mit höheren problematischen Internetnutzungswerten verbunden, einschließlich allgemeinem Surfen (Lasso β: 2.1), Internetspielen (β: 0.6), Online-Shopping (β: 1.4), Nutzung von Online-Auktionswebsites (β: 0.027) und sozialer Aktivitäten Vernetzung (β: 0.46) und Nutzung von Online-Pornografie (β: 1.0). Das Alter moderierte die Beziehung zwischen PIU und Rollenspielen (β: 0.33), Online-Glücksspielen (β: 0.15), Nutzung von Auktionswebsites (β: 0.35) und Streaming-Medien (β: 0.35), wobei das höhere Alter mit einem höheren Alter verbunden war PIU-Werte. Es gab nicht schlüssige Beweise dafür, dass Geschlecht und Geschlecht × Internetaktivitäten mit problematischen Internetnutzungswerten verbunden sind. Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) und soziale Angststörung waren bei jungen Teilnehmern mit hohen PIU-Werten assoziiert (Alter ≤ 25, β: 0.35 bzw. 0.65), wohingegen generalisierte Angststörung (GAD) und Zwangsstörung (OCD) assoziiert mit hohen PIU-Werten bei den älteren Teilnehmern (Alter> 55, β: 6.4 bzw. 4.3).
FAZIT:
Viele Arten von Online-Verhalten (z. B. Einkaufen, Pornografie, allgemeines Surfen) stehen in stärkerem Zusammenhang mit der maladaptiven Nutzung des Internets als Spiele, die die diagnostische Klassifizierung problematischer Internetnutzung als vielschichtige Störung unterstützen. Darüber hinaus variieren Internetaktivitäten und psychiatrische Diagnosen, die mit problematischer Internetnutzung verbunden sind, mit dem Alter und den Auswirkungen auf die öffentliche Gesundheit.
KEYWORDS: Verhaltenssucht; Internetsucht; Internet-Gaming-Störung; Lasso; Maschinelles lernen; Problematische Internetnutzung
PMID: 29459201
DOI: 10.1016 / j.addbeh.2018.02.017
1
Einleitung
Problematische Internetnutzung (PIU) ist ein Problem der öffentlichen Gesundheit in modernen Gesellschaften auf der ganzen Welt. Die Epidemiologie der PIU ist noch unklar (
;; ) mit einer Vielzahl von Schätzungen der gemeldeten Punktprävalenz (1% bis 36.7%), die wahrscheinlich nicht nur Bevölkerungsunterschiede, sondern auch die Vielfalt der Bewertungsinstrumente und unterschiedliche betriebliche Definitionen des PIU-Verhaltens widerspiegeln. DSM-5 hat die Internet-Gaming-Störung als Voraussetzung für weitere Studien hervorgehoben () und insbesondere andere internetbasierte Aktivitäten wie Glücksspiel und Nutzung sozialer Medien ausgeschlossen, obwohl immer mehr Beweise dafür vorliegen, dass problematische Internet-Nutzung ein vielschichtiges Problem ist, das über Online-Gaming hinausgeht (; ;). Es wurde beschrieben, dass viele verschiedene Online-Verhaltensweisen die normale Funktion beeinträchtigen können, wenn sie übermäßig ausgeführt werden, einschließlich Online-Spielen und Massive-Multiplayer-Online-Rollenspielen (;;;;), Online-Glücksspielen (;), Online-Shopping (; ;), Anzeigen von Pornografie (;;), häufiges Überprüfen von E-Mails, Instant Messaging (;;) und übermäßige Nutzung sozialer Medien (;). Online-Verhaltensweisen können auch Bedenken hinsichtlich der körperlichen Gesundheit von Personen hervorrufen (;) oder den Grundstein für kriminelle Handlungen legen (). Impulsive und zwanghafte Eigenschaften können problematisches Internetverhalten untermauern (;;;;), während bestimmte Internetaktivitäten mit psychiatrischen Störungen in Verbindung gebracht wurden. Zum Beispiel wurde Online-Shopping mit Depressionen und Horten in Verbindung gebracht (
).
Jugendliche und Studenten gelten als anfällig für die PIU (
; ; ; ; ), aber die Bevölkerung im mittleren Alter und ältere Menschen wurden nicht umfassend untersucht. Junges Alter wurde mit problematischem Online-Shopping (;) in Verbindung gebracht. Es gibt jedoch eine Reihe von Studien, in denen problematische Internetaktivitäten, einschließlich übermäßiges Einkaufen über das Internet, bei Erwachsenen festgestellt wurden (
). Insgesamt ist der natürliche Hintergrund der problematischen Internetnutzung noch nicht bekannt, und es kann altersbedingte Unterschiede in Bezug auf die PIU insgesamt oder in verschiedenen problematischen Online-Verhaltensweisen geben.
Es wurde angenommen, dass PIU ein männliches Übergewicht hat (
; ) und ist wahrscheinlich häufiger unter asiatischen männlichen Jugendlichen, aber auch Frauen sind anfällig (;). Auf klinischer Ebene waren an der Mehrzahl der PIU-Studien nur männliche Teilnehmer beteiligt (), und es ist unklar, ob weibliche klinische Populationen möglicherweise unterschätzt wurden. Beobachtungsstudien belegen, dass sich Männer und Frauen in der Art und Weise, wie sie im Online-Umfeld arbeiten, hinsichtlich der von ihnen gewählten Aktivitäten und ihrer negativen Folgen unterscheiden (;). Der übermäßige Gebrauch von Chats und sozialen Medien wurde bei jungen Studenten mit dem weiblichen Geschlecht in Verbindung gebracht (;;;; S). Das weibliche Geschlecht wurde ebenfalls als Prädiktor für problematisches Online-Shopping identifiziert (), das Gegenteil wurde jedoch auch berichtet (;). Online-Spiele wurden mit männlichen Geschlechtern () in Verbindung gebracht, jedoch wurde in beiden Geschlechtern () über Online-Rollenspiele berichtet. Es wurde berichtet, dass Online-Pornografie sowie Online-Glücksspiele bei erwachsenen Männern häufiger vorkommen (), es wurde jedoch argumentiert, dass die Rolle der Belohnungsverstärkung, die Reaktionsfähigkeit des Queues und das Verlangen nach Online-Sex für beide Geschlechter ähnlich sind (). Bestimmte Plattformen sozialer Medien mit Suchtpotenzial, wie beispielsweise Netzwerkseiten wie Facebook, werden von beiden Geschlechtern genutzt, und es wurde argumentiert, dass Frauen besonders gefährdet sind (). Insgesamt können geschlechtsspezifische Unterschiede für Aspekte der PIU bestehen; alternativ kann es sein, dass beide Geschlechter gleichermaßen betroffen sind, sobald klinische und Verhaltensmerkmale / Verwirrungen berücksichtigt werden;
).
Insgesamt erfordert die problematische Internetnutzung, einschließlich der Vielzahl problematischer Internet-Verhaltensweisen, strengere Untersuchungen, die Aufschluss darüber geben, welche spezifischen Aktivitäten als problematisch oder dysfunktionell angesehen werden oder allgemein zu dem als PIU beschriebenen Phänomen beitragen. Die Art und Weise, in der Alter und Geschlecht die Beziehung zwischen bestimmten Internetaktivitäten und der PIU abschwächen, wurde unterschätzt, was mehr Aufmerksamkeit erfordert.
Unser Ziel war es, spezifische Aktivitäten im Zusammenhang mit dem Internet zu identifizieren, die statistisch mit der PIU verbunden sind, und ob es Wechselwirkungen mit dem Alter oder Geschlecht gibt, die diese Beziehungen mildern.
2
Material und Methoden
2.1
Einstellung und Maßnahmen
Weitere Details zu den Rahmenbedingungen und Maßnahmen dieser Studie wurden auch in unserer vorherigen Publikation zur PIU beschrieben (
). Das Methodenreporting für diese Studie folgt der STROBE-Richtlinie (
). Die aktuelle Studie wurde von Januar 2014 bis Februar 2015 durchgeführt. Personen, die 18-Jahre und älter waren, wurden an zwei Standorten rekrutiert: Chicago (USA) und Stellenbosch (Südafrika), wobei Internetwerbung (Durchschnittsalter 29-18), 77-Männchen [1119%], 64 Caucasian [1285%]) verwendet wurde. Die Anzeigen forderten Einzelpersonen auf, an einer Online-Umfrage zur Internetnutzung teilzunehmen. Die Teilnehmer haben die Umfrage anonym mit der Survey Monkey-Software ausgefüllt. Die Umfrage wurde über Craigslist gesendet, sodass nur Teilnehmer aus den jeweiligen Schauplätzen angesprochen wurden. Die Studie wurde von den Institutions Review Boards an jedem Forschungsstandort genehmigt. Die Teilnehmer erhielten keine Entschädigung für die Teilnahme, wurden jedoch in eine Zufallslotterie aufgenommen, wobei fünf Preise mit einem Preiswert zwischen $ 73 und $ 50 in den USA und drei Preise zwischen ZAR200 und ZAR250 in Südafrika vergeben wurden.
Die Online-Umfrage enthielt Fragen zu Alter, Geschlecht, Rasse, Beziehungsstatus, sexueller Orientierung und Bildungshintergrund jedes Einzelnen sowie verschiedene Maßnahmen zu bestimmten Internetaktivitäten. Wir haben eine Reihe verschiedener Internetaktivitäten gemessen, darunter 1) allgemeines Surfen 2) Internet-Spiele insgesamt 3) Online-Rollenspiele (RPG) 4) Zeitverschwender / Geschicklichkeitsspiele (dh Apps auf iPod / iPad / Handy, Tetris, Juwelen) 5 ) Online-Action-Multiplayer (dh Call of Duty, Gears of War) 6) Online-Shopping 7) Auktions-Websites (dh Ebay) 8) Online-Glücksspiel 9) Soziale Netzwerke 10) Online-Sport (dh Fantasy-Sport, ESPN) 11) Pornografie / Sex im Internet 12) Messaging / Blogging (dh AIM, Skype) und 13) Streaming von Videos / Medien (dh YouTube, Hulu). Die Umfrage umfasste auch klinische Maßnahmen: den Internet Addiction Test (IAT) (
) um ein Maß für die missbräuchliche Nutzung des Internets bereitzustellen; Wählen Sie Mini International Neuropsychiatric Interview (MINI) -Module () aus, um eine wahrscheinliche soziale Angststörung (SAD), eine generalisierte Angststörung (GAD) und eine Zwangsstörung (OCD) zu identifizieren. die Checkliste zur Symptomskala für adulte ADHD-Symptome bei Erwachsenen (ASRS-v1.1) () zur Ermittlung von Symptomen der Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS); das Padua Inventory (PI) () zur Ermittlung zwanghafter Zwangstendenzen; und die Barratt-Impulsskala (BIS-11) zur Quantifizierung der impulsiven Persönlichkeit (
). Die beschreibende Statistik für alle Variablen ist in der Ergänzungstabelle S1a nach Alter zusammengefasst und geschichtet.
Das IAT umfasst 20-Fragen, die Facetten von PIU untersuchen. Das IAT-Spektrum reicht von 20 bis 100 mit 20-49 für eine leichte Internetnutzung, 50-79 mit moderater Internetnutzung und 80-100 für eine starke Internetnutzung. Der PI besteht aus 39-Elementen, die das übliche Zwangs- und Zwangsverhalten bewerten. Der BIS-11 ist ein Fragebogen zum Selbstbericht, der zur Bestimmung der Impulsivität verwendet wird.
Wir haben eine Hauptkomponentenanalyse (PCA) durchgeführt, um festzustellen, ob einige Komponenten von Internetaktivitäten einen signifikanten Teil der Varianz ausmachen können. Diese Analyse ergab jedoch, dass wir> 11 von 13 Komponenten benötigten, um> 90% der Varianz zu erreichen, was darauf hinweist, dass ein erheblicher Teil der Variablen der Internetaktivitäten eindeutig zur Varianz beiträgt. Wir haben uns daher entschlossen, jede Variable in unserer Analyse separat zu verwenden.
In die Analysen wurden nur Daten von Teilnehmern einbezogen, die die gesamte Online-Umfrage ausgefüllt haben, einschließlich der Internetaktivitätsmaßnahmen. Die ursprüngliche Stichprobe umfasste 2551 Personen. 63 Personen wurden wegen fehlender IAT-Werte ausgeschlossen. Weitere 18 Personen wurden für die Meldung des Transgender-Geschlechts und 459 für das Fehlen wichtiger Prädiktorvariablen, z. B. PI- oder BIS-Fragebogenwerte, ausgeschlossen. Fünf Personen wurden für das Berichtsalter <18 Jahre ausgeschlossen. Weitere 257 Personen wurden aufgrund fehlender Maßnahmen zur Internetaktivität ausgeschlossen. Der endgültige vollständige Satz umfasste 1749 Personen mit vollständigen Bewertungen aller Variablen. Dieser letzte Schritt des Ausschlussprozesses berücksichtigt den Stichprobenunterschied zwischen der vorliegenden Studie und
. Dieser endgültige vollständige Satz umfasste 1063 Personen vom Standort Stellenbosch und 686 Personen vom Standort Chicago. Die geschätzte Punktprävalenz von PIU betrug ~ 8.5% bei einem IAT-Grenzwert von 50 oder mehr. Beim Vergleich der beiden Populationen der Untersuchungsorte hatte die Stellenbosch-Stelle jüngere Teilnehmer [Mittelwert (Bereich) 24.3 (18–76) gegenüber 36.3 (18–77), ANOVA F <0.05, η 2 : 0.20], ein geringerer Anteil des männlichen Geschlechts [58% vs. 73%, χ 2 <0.05, φ : 0.15], höherer Anteil der heterosexuellen sexuellen Orientierung [91% vs. 84%, χ 2 <0.05, φ : 0.10], höhere ADHS-Raten [50% vs. 41% χ 2 <0.05, φ : 0.9], niedrigere Online-Einkaufsraten [Mittelwert (Bereich) 0.48 (0–5) gegenüber 1.27 (0–5), ANOVA F <0.05, η 2 : 0.18] und etwas niedrigere IAT-Werte [Mittelwert (Bereich) 30.3 (20–94) gegenüber 35.9 (20–85), ANOVA F <0.05, η 2 : 0.06]. Ein detaillierterer Vergleich ist in der Ergänzungstabelle S1b dargestellt. Rekrutierungs- und Ausschlussprozess werden grafisch in dargestellt Abb.. 1 . Alle kontinuierlichen Variablen (dh der BIS-Score) wurden standardisiert, um die Interpretierbarkeit der Modellkoeffizienten zu erhöhen. Die Vorhersagemethoden verwendeten den IAT-Score als numerische Variable (Range 20 – 94, Mean 32.48). Alle Analysen wurden in der R Studio Version 3.1.2 durchgeführt. Lasso Generalized Linear Models wurden mit dem Paket „glmnet“ durchgeführt (Paket glmnet Version 2.0 – 5 (
)). Weitere Einzelheiten zum Analyseprozess finden Sie im Supplement (Anhang zur Methodik).
2.2
Erforschung von Zusammenhängen
Wir haben Korrelationen zwischen den Variablen in unseren Daten untersucht (siehe Abb.. 2 ). Alle verschiedenen Internetaktivitäten hatten schwache positive Korrelationen mit dem IAT-Score (Pearson-Korrelationskoeffizientenbereich 0.23–0.48). Es wurden einige moderate positive Korrelationen zwischen Internetaktivitätsvariablen festgestellt, z. B. Internet-Gaming und RPG (r = 0.57), Internet- und Action-Multiplayer-Spiele (r = 0.55), Online-Shopping und Nutzung von Auktions-Websites (r = 0.55), allgemeines Surfen und Einkaufen (r = 0.44), allgemeines Surfen und soziale Netzwerke (r = 0.44), allgemeines Surfen und Streaming-Medien (r = 0.44). Es gab schwache positive Korrelationen zwischen Sport und Pornografie (r = 0.38), männlichem Geschlecht und Sport (r = 0.30) oder Pornografie (r = 0.39) oder Action-Multiplayer-Spielen (r = 0.27). Es gab schwache Korrelationen zwischen Online-Glücksspielen und Action-Multiplayer (r = 0.41), RGP (r = 0.32), Auktionswebsites (r = 0.38), Sport (r = 0.38) oder Pornografie (r = 0.39). Die Impulsivität korrelierte schwach positiv mit allgemeinem Surfen, Online-Shopping, Nutzung von Auktionswebsites, sozialen Netzwerken, Streaming-Medien und Pornografie (0.2 ≤ r ≤ 0.3). Es gab auch eine schwache Korrelation zwischen dem Alter und den Einkaufsaktivitäten (r = 0.33) oder der Nutzung von Auktionswebsites (r = 0.22) sowie zwischen nicht heterosexueller sexueller Orientierung und Pornografie (r = 0.22). Alle anderen Korrelationen zwischen Internetaktivitäten und Alter, Geschlecht, Beziehungsstatus, sexueller Orientierung, Bildungsniveau, Rasse und Grad an Impulsivität und Zwanghaftigkeit waren sehr schwach (–0.2 <r <0.2).
2.3
Umgang mit Überanpassung
Für unsere statistischen Methoden verwendeten wir Modelle, die demografische Variablen (Alter, Rasse, Bildungsstand, Geschlecht, Beziehungsstatus, sexuelle Orientierung), klinische Merkmale (Diagnosen von ADHS, GAD, Sozialangst und OCD) und Verhaltensweisen enthielten, von denen bekannt ist, dass sie assoziiert sind PIU (Impulsivität und Zwanghaftigkeit), Internetaktivitäten und Interaktionsbedingungen zwischen Internetaktivitäten × Alter oder Geschlecht; Letzteres wurde beschlossen, um die Hypothese zu testen, dass Alter oder Geschlecht die Beziehung zwischen Internetaktivitäten und problematischen Internetnutzungsergebnissen moderieren. Wir haben insgesamt 51-Prädiktorvariablen aufgenommen. Durch die Aufnahme einer Vielzahl von Variablen haben wir ein Modell angestrebt, das genauer ist und gleichzeitig komplexe Wechselwirkungen zwischen demografischen und Internet-Aktivitätsvariablen erfasst. Der Nachteil vieler Prädiktorvariablen ist jedoch, dass dies in der Regel zu einer Überanpassung führt, die von großen Koeffizienten begleitet wird. Darüber hinaus neigt die lineare Regression innerhalb der Stichprobe zu einer Überanpassung, insbesondere bei komplexen Modellen, und ist grundsätzlich fehlerhaft, wenn Vorhersagen über neue Daten getroffen werden. Es gibt umfangreiche Nachweise für die Nachteile übermäßiger Modelle (
). Um mit der Überanpassung umzugehen, haben wir die Verwendung von statistischen Methoden außerhalb der Stichprobe (Kreuzvalidierung) erörtert, um eine Abschätzung des Generalisierungs- und Vorhersagefehlers des Modells zu erhalten (
). Wir haben diesen Ansatz in unseren aktuellen Daten untersucht, als wir eine kreuzvalidierte Schätzung des quadratischen Mittelwertfehlers außerhalb der Stichprobe in Verbindung mit der Rückwärtsauswahl von Variablen verwendeten, um zu testen, ob sich Modelle durch Hinzufügen einer hohen Anzahl von Variablen verbessern die Teilmengen möglicher Kombinationen von Prädiktoren, und wir haben gesehen, dass spärliche Modelle (dh mit etwa zwischen 13 und 16 Variablen) in Bezug auf kreuzvalidierte RMSE im Vergleich zu komplexeren Modellen (einschließlich> 16 Variablen) nicht minderwertig waren. Dies wird explorativ gezeigt Abb.. 3 (oben links).
2.4
Reguläre Regression mit Spärlichkeitsbeschränkungen
Aus den im vorigen Abschnitt genannten Gründen wollten wir eine Prognosemethode verwenden, die nicht so gut geeignet ist, während sie mit statistischen Standardmethoden hinsichtlich der Vorhersage von PIU-Werten vergleichbar ist. Es wäre auch wertvoll, wenn unsere Methode auch eine variable Auswahl durchführen könnte (dh durch die Verringerung der Anzahl von Prädiktoren mit Nicht-Null-Koeffizienten), um die Interpretierbarkeit des Modells zu verbessern. Regularisierung, ursprünglich von Tikhonov zur Lösung integraler Gleichungen entwickelt (
) und später in der statistischen Wissenschaft eingeführt, hat einige der erwünschten Eigenschaften, die Modellkonstruktion in Richtung Sparsity zu verschieben und Überanpassung zu reduzieren (). Lasso (verallgemeinertes lineares Modell mit bestrafter Maximalwahrscheinlichkeit, bekannt als Regression unter Verwendung des Least Absolute Shrinkage- und Selection-Operators (Lasso oder LASSO ())) ist eine Regularisierungs- und Regressionsanalysemethode, die jetzt häufig in den medizinischen Wissenschaften (;) verwendet wird, und ist potentiell einsetzbar Modellierung klinischer Vorhersagen in der Psychiatrie (RC). Die Ridge-Regression ist eine andere Form der regulierten linearen Regression, bei der die Koeffizienten durch die Einführung einer Koeffizientenstrafe () verringert werden. Das elastische Netz ist ein Zwischenmodell zwischen Kamm und Lasso und seine Strafe wird von α gesteuert, das die Lücke zwischen Lasso (α = 1) und Kamm (α = 0) überbrückt. Der Abstimmparameter λ steuert die Gesamtstärke der Strafe. Lasso verwendet die L1-Strafe und Kamm die L2-Strafe. Im Gegensatz zur Grat-Regression bewirkt die Lasso-L1-Strafe, dass die meisten Koeffizienten auf Null gesetzt werden, was zu einer regulierten Lösung führt, die gleichzeitig spärlich ist. Durch diesen Mechanismus führt der Lasso eine Variablenauswahl durch, die die Interpretation erheblich vereinfachen kann, insbesondere wenn viele Prädiktoren am Modell beteiligt sind. Eine andere nicht standardisierte Methode, die für hohe Genauigkeit und die Möglichkeit, Überanpassung zu vermeiden, bekannt ist, sind Random-Forest (
). Zufällige Gesamtstrukturen sind eine Methode des maschinellen Lernens, die sich gegen nichtlineare Abhängigkeiten bewährt. Wenn Sie die Leistung dieses Modells untersuchen, könnten wir Einblick in möglicherweise verborgene komplexe Assoziationen erhalten.
2.5
Vorhersagemethoden
Um das geeignete Modell in unserer Analyse auszuwählen, haben wir lineare Regressions-, Gratregressions-, Elastic-Net-, Lasso- und zufällige Waldmodelle miteinander und gegen eine naive Basislinie verglichen, wobei wir eine kreuzvalidierte RMSE-Schätzung außerhalb der Stichprobe verwendet haben. Unsere Kreuzvalidierung umfasste die zufällige Aufteilung der Daten in einem Trainings- und Testsatz, die Optimierung der Modellparameter im Trainingssatz und die Vorhersage der IAT-Ergebnisse im Testsatz. Aufgrund der zufälligen Aufteilung der Daten in Falten haben wir diesen Vorgang 50 Mal wiederholt, um eine stabile und reproduzierbare Schätzung zu erhalten. Wir verglichen dann die endgültigen Vektoren der RMSE-Scores unter Verwendung von von Exact Wilcoxon-Pratt signierten Rangtests. Alle Modelle waren der naiven Grundlinie signifikant überlegen (p korrigiert <0.001, Cohens d = –0.87) (siehe Ergänzungstabelle S2). Zusammenfassende Statistiken der RMSE-Scores sind in der Ergänzungstabelle S3 aufgeführt. Lasso und elastisches Netz waren der Gratregression (p-korrigiert <0.01, d = 0.51, d = 0.49) und der linearen Regression (p korrigiert <0.001, d = 0.76) überlegen und unterschieden sich statistisch nicht voneinander (p korrigiert> 0.05, d = –0.08). Der zufällige Wald war weder Lasso (p = 0.12) noch elastischem Netz (p korrigiert> 0.05) überlegen. Daher haben wir in unserer Analyse Lasso verwendet, da Lasso neben einer guten Prognoseleistung außerhalb der Stichprobe auch eine Variablenauswahl durchführen konnte, indem die Koeffizienten auf Null verkleinert und damit die Interpretierbarkeit erhöht wurden. Obwohl das elastische Netz auch eine Variablenauswahl durchführen kann, tendiert es dazu, mehr Variablen auszuwählen, und obwohl es ein komplexeres und leistungsfähigeres Modell ist, ergab es keine wesentlich bessere Leistung als Lasso. In unserer endgültigen Analyse der vollständigen Daten- und Untergruppenanalysen verwendeten wir eine 10-fache Kreuzvalidierung, um das optimale Lambda für jedes Lasso-Modell zu ermitteln und die von diesen Modellen erzeugten Koeffizienten zu melden. Erklärende Diagramme, die sich aus der vollständigen Datenanalyse ergeben, sind in dargestellt Abb.. 3 .
3
Die Ergebnisse
Die Ergebnisse der Lasso - Regression werden in der gesamten Stichprobe zusammengefasst und nach Alter in gestaffelt Tabellen 1 und 2 . Vollständige Ergebnistabellen für Subgruppenanalysen, einschließlich nach Alter und Studienort geschichtet, sind in den Online-Ergänzungstabellen (Tabellen S4 – S10) dargestellt. Explorative Darstellungen der Daten sind in Ergänzungsfiguren dargestellt (Abb. S1 – S3). Ergebnisse des statistischeren Standardansatzes der linearen Regression werden auch in den Zusatztabellen S4 – S10 dargestellt. Unterschiede in der strukturellen Inferenz im Vergleich zu den unten dargestellten Hauptergebnissen sind von der Wahl eines anderen Modells abhängig.
| Internet-Aktivität | Alle (n = 1749) | 18 ≤ Alter ≤ 25 (n = 1042) | 26 ≤ Alter ≤ 55 (n = 592) | Alter> 55 (n = 115) |
|---|---|---|---|---|
| Allgemeines Surfen | 2.100 | 2.400 | 1.500 | 0.590 |
| Internetspiele | 0.600 | 0.450 | 0.110 | 0.000 |
| Rollenspiel | 0.000 | 0.000 | 0.710 | 0.000 |
| Zeitverschwender | 0.000 | 0.000 | 0.000 | 0.450 |
| Action-Multiplayer | 0.000 | 0.000 | 0.000 | 0.000 |
| Shopping | 1.400 | 0.840 | 1.500 | 0.000 |
| Auktions-Websites | 0.027 | 0.000 | 0.990 | 0.230 |
| Spiel | 0.000 | 0.000 | 0.780 | 0.000 |
| Soziales Netzwerk | 0.460 | 0.000 | 1.300 | 0.000 |
| Sports | 0.000 | 0.000 | 0.000 | 0.000 |
| Pornographie | 1.000 | 1.400 | 0.210 | 0.000 |
| Messaging | 0.000 | 0.000 | 0.110 | 0.000 |
| Streaming Media | 0.000 | 0.000 | 0.000 | 1.200 |
| PADUA | 0.074 | 0.085 | 0.029 | 0.065 |
| BIS | 0.066 | 0.048 | 0.072 | 0.086 |
| ADHS-Diagnose | 1.700 | 0.350 | 3.100 | 0.000 |
| GAD-Diagnose | 0.230 | 0.000 | 0.000 | 6.400 |
| Soziale Angstdiagnose | 0.000 | 0.560 | 0.000 | 0.000 |
| OCD-Diagnose | 0.270 | 0.000 | 0.000 | 4.300 |
| Internet-Aktivität | Alle (n = 1749) | 18 ≤ Alter ≤ 25 (n = 1042) | 26 ≤ Alter ≤ 55 (n = 592) | Alter> 55 (n = 115) |
|---|---|---|---|---|
| Demografische Variablen | 0.000 | 0.000 | 0.000 | 0.000 |
| Geschlecht × jede Internetaktivität | 0.000 | 0.000 | 0.000 | 0.000 |
| Alter × allgemeines Surfen | 0.000 | - | - | - |
| Alter × Internetspiele | 0.000 | - | - | - |
| Alter × RPG | 0.330 | - | - | - |
| Alter × Zeitverschwender | 0.000 | - | - | - |
| Alter × Action-Multiplayer | 0.000 | - | - | - |
| Alter × Einkaufen | 0.000 | - | - | - |
| Alter × Glücksspiel | 0.150 | - | - | - |
| Alter × Auktionswebseiten | 0.350 | - | - | - |
| Alter × soziale Vernetzung | 0.000 | - | - | - |
| Alter × Sport | 0.000 | - | - | - |
| Alter × Pornografie | 0.000 | - | - | - |
| Alter × Messaging | 0.000 | - | - | - |
| Alter × Streaming-Medien | 0.350 | - | - | - |
3.1
Demographie
Bei der Lasso-Regression wurde in keiner Altersgruppe oder in den vollständigen Daten eine Variable wie Alter, Geschlecht, Rasse, Bildungsstand, Beziehungsstatus oder sexuelle Orientierung mit PIU in Verbindung gebracht.
3.2
Internet-Aktivitäten
In der vollständigen Daten-Lasso-Regression war eine Reihe von Internetaktivitäten mit hohen PIU-Werten verbunden, darunter allgemeines Surfen (β: 2.1), Internet-Spiele (β: 0.6), Online-Shopping (β: 1.4) und Nutzung von Auktionswebsites (β: 0.027), soziale Netzwerke (β: 0.46) und Nutzung von Online-Pornografie (β: 1.0). Die Beziehungen zwischen PIU und Rollenspielen (RPGs), Online-Glücksspielen, Nutzung von Auktionswebsites und Verwendung von Streaming-Medien wurden nach Alter (β: 0.33, 0.15, 0.35 bzw. 0.35) moderiert, wobei älteres Alter mit höheren PIU-Werten verbunden war . In der Alters-Subgruppen-Analyse (junge Teilnehmer im Alter von ≤ 25 Jahren, Teilnehmer im mittleren Alter von 25 <Alter ≤ 55; ältere Teilnehmer im Alter von> 55 Jahren) war das allgemeine Surfen in allen Altersgruppen mit PIU assoziiert, bei jungen jedoch stärker (β: 2.4). weniger im mittleren Alter (β: 1.5) und noch weniger bei den älteren Teilnehmern (β: 0.59). Ein ähnlicher Trend war beim Internet-Gaming (β: 0.45, 0.11 und 0.0 für die drei Altersgruppen) und bei der Verwendung von Online-Pornografie (β: 1.4, 0.21 und 0.0) zu beobachten. Einige Internetaktivitäten wie die Verwendung von Online-Rollenspielen waren bei Teilnehmern mittleren Alters im Vergleich zu anderen Altersgruppen stärker mit PIU assoziiert (β: 0.71). Gleiches gilt für Online-Glücksspiele (β: 0.78), Instant Messaging (β: 0.11) und soziale Online-Netzwerke (β: 1.3). Die Nutzung von Auktionswebsites war auch bei Teilnehmern mittleren Alters stärker mit PIU assoziiert (β: 0.99), bei älteren Teilnehmern jedoch auch prädiktiv (β: 0.23). Streaming-Online-Medien und die Verwendung von Zeitverschwendern waren bei den älteren Teilnehmern mit PIU assoziiert (β: 1.2 bzw. 0.45), jedoch in keiner anderen Altersgruppe.
3.3
Klinische und Verhaltensmerkmale
Die Symptome der Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHD) (β: 1.7), der generalisierten Angststörung (GAD) (β: 0.23) und der Zwangsstörung (OCD) (β: 0.27) waren mit höheren PIU-Werten verbunden. In der Alters-Subgruppen-Analyse waren ADHS und SAD bei jüngeren Teilnehmern mit höheren PIU-Werten (β: 0.35 bzw. 0.56) assoziiert, während ADHS in der mittleren Gruppe (β: 3.1) signifikant blieb. GAD und OCD waren mit höheren PIU-Werten in der älteren Teilnehmergruppe assoziiert (β: 6.4 bzw. 4.3), nicht jedoch in den anderen Altersgruppen. BIS-Werte (impulsive Persönlichkeit) und PADUA-Werte (obsessiv-zwanghafte Tendenzen) wurden mit höheren PIU-Werten in den vollständigen Daten (β: 0.066 bzw. 0.074) und in allen Altersuntersuchungsanalysen assoziiert.
4
Diskussion
Dieses Papier ist der erste Versuch, die verschiedenen Arten von Internetaktivitäten, die mit der missbräuchlichen Nutzung des Internets, dh mit problematischer Internetnutzung, verbunden sind, umfassend zu untersuchen. Bisherige Arbeiten haben sich im Allgemeinen mit spezifischen Internetaktivitäten befasst, die zu einer problematischen Nutzung führen, indem sie sich auf isolierte Internetaktivitäten konzentrieren (
; ; ; ; ). Wir haben hier gezeigt, dass eine Reihe von Internetaktivitäten, darunter allgemeines Surfen, Internet-Gaming, Online-Shopping, die Nutzung von Auktions-Websites, Online-Glücksspiele, soziale Netzwerke und die Verwendung von Online-Pornografie, separat und eindeutig zur PIU beitragen und den Nachweis erbringen, dass die PIU ein Komplex ist Phänomen, das eine Vielzahl problematischer Verhaltensweisen umfasst. Darüber hinaus haben wir gezeigt, dass diese Verhaltensweisen ihre statistisch signifikanten Assoziationen mit PIU beibehalten, selbst wenn psychiatrische Symptome bekannt sind, die bekanntermaßen mit PIU assoziiert sind (dh Symptome von ADHS, GAD und OCD) (;) und Dimensionen des Verhaltens, von denen bekannt ist, dass sie vorhersagbar sind PIU (dh Persönlichkeitsmessungen der Impulsivität und Zwanghaftigkeit) (;
) berücksichtigt. Wir haben weiter gezeigt, dass bestimmte Internetaktivitäten wie RPG, Online-Glücksspiele, die Nutzung von Auktionswebsites und Streaming-Medien mit höheren PIU-Werten verbunden sind und dass diese Beziehung vom Alter beeinflusst wird. Schließlich zeigen unsere Daten, dass andere Arten des Online-Verhaltens (z. B. Einkaufen, Pornografie, allgemeines Surfen) einen stärkeren Zusammenhang mit der missbräuchlichen Nutzung des Internets als mit Spielen haben, und dies ist möglicherweise darauf zurückzuführen, dass dies in früheren Studien nicht berücksichtigt wurde breite Palette von Internet-Aktivitäten. Diese Ergebnisse haben erhebliche Auswirkungen auf die Konzeptualisierung von PIU als klinisch bedeutsame Störung, da sie die Aufmerksamkeit von dem eindimensionalen und relativ engen Konstrukt der "Internet-Spielstörung" auf eine mehrdimensionale Entität problematischer Internetnutzung oder Internetsucht ablenken, die mehrere Facetten umfasst des menschlichen Online-Verhaltens.
Bei der Kreuzvalidierung außerhalb der Stichprobe haben wir außerdem gezeigt, dass der "Nicht-Standard" -Ansatz der Lasso-Regression bei der Vorhersage der PIU-Werte genauer ist als bei der "Standard" -Reaktion. Die Verwendung der Schätzung des prädiktiven Werts eines Modells außerhalb der Stichprobe hilft häufig, das Phänomen zu bekämpfen, durch das Signifikanzen in Replikationsstudien abnehmen. Die Wahl der Lasso-Regression ist jedoch mit dem Vorbehalt verbunden, dass Variablen, die vom Modell nicht ausgewählt werden (mit Nullkoeffizienten), immer noch vorhersagend sein können, insbesondere wenn zwischen ausgewählten und nicht ausgewählten Variablen hohe Korrelationen bestehen. In unserem Datensatz hatten wir keine stark korrelierten Variablen. Diese Einschränkung bedeutet jedoch, dass wir negative Ergebnisse konservativ behandeln sollten. Die mangelnde Assoziation zwischen Geschlecht und PIU sowie die mangelnde Assoziation zwischen geschlechtsspezifischen Internetaktivitäten mit PIU stützen die Hypothese, dass beide Geschlechter gleichermaßen verwundbar sind, wenn ein breiteres Spektrum an PIU-Verhaltensweisen und potenziellen Störfaktoren berücksichtigt wird Facetten der PIU zu entwickeln (
; ). Aufgrund der Einschränkungen unserer Analyse können wir jedoch nicht die Möglichkeit ausschließen, dass andere Zusammenhänge zwischen PIU und Geschlecht bestehen. Es wurde beispielsweise vorgeschlagen, dass das Verhältnis zwischen Online-Shopping und PIU durch das Geschlecht moderiert wird und Frauen möglicherweise stärker gefährdet sind (). Von Bedeutung kann sein, dass die zwanghafte Kaufstörung, eine Störung, die in mittleren Altersgruppen eine prominente Rolle spielt, eine weibliche Dominanz durch das Verhältnis 5: 1 () ist und möglicherweise zu solchen Befunden führt. Wir hatten keine Daten zu dieser Störung, um diese Hypothese zu testen. Es ist auch wichtig anzumerken, dass das hier verwendete IAT-Instrument Kritik wegen mangelnder Robustheit hinsichtlich der Faktorenstruktur, Unterschieden zur derzeitigen DSM-5-Operationalisierung (Gaming Disorder) und zum Rückstand hinter den technologischen Fortschritten von Internetanwendungen (;
). Zukünftige PIU-Forschung wäre mit methodisch robusten, validierten Instrumenten gut bedient, die auch in der Lage wären, die sich rasch entwickelnde Natur der PIU aus technologischer und verhaltenstechnischer Sicht zu erfassen.
Unsere Alters-Subgruppen-Analyse lieferte einen Einblick in die altersbezogenen Zusammenhänge zwischen PIU und verschiedenen Internetaktivitäten. Die gängige Auffassung, dass PIU eine Störung der Jugend ist, ist nicht notwendigerweise korrekt und kann auf dem Fehlen angemessen entworfener Studien beruhen, die Online-Verhalten über alle Altersgruppen hinweg erfassen. Unzureichendes Wissen über die natürliche Geschichte der PIU über die gesamte Lebensdauer lässt keine umfassende Untersuchung der Schwachstellen in älteren Bevölkerungsgruppen hinsichtlich des Risikos zur Entwicklung der PIU zu. Unsere Ergebnisse zeigen jedoch, dass diese Schwachstellen bestehen, und weitere Untersuchungen sind erforderlich, um die Merkmale der gefährdeten Bevölkerungsgruppen zu ermitteln. Zum Beispiel können ADHS- oder soziale Angstsymptome ein Prädiktor für PIU in jungen Bevölkerungen sein, wohingegen OCD- oder GAD-Symptome einen Prädiktor für PIU in älteren Populationen darstellen können. Die Tatsache, dass OCD in einer kürzlich durchgeführten Metaanalyse nicht mit PIU assoziiert war (
) kann ein Indikator dafür sein, dass ältere Bevölkerungen unterbesetzt wurden. Die Tatsache, dass ADHS stark mit hohen PIU-Werten in Verbindung gebracht wurde, ist nicht überraschend, da andere Studien eine sehr hohe Prävalenz von ADHS (bis zu 100%) in PIU-Populationen angegeben haben (). Gleichzeitig können bestimmte Bevölkerungen im mittleren Alter (zwischen 26 und 55) ein höheres PIU-Risiko aufweisen, wenn sie aufgrund der natürlichen Vorgeschichte dieser Störungen, die im mittleren Alter ihren Höhepunkt erreichen, auch unter zwanghaften Kaufstörungen oder Glücksspielstörungen leiden (
).
Darüber hinaus deuten die Befunde, dass eine bestimmte Online-Aktivität nur in bestimmten Altersgruppen mit PIU in Verbindung gebracht wurde, an, dass bestimmte Altersgruppen dem Risiko unterliegen, Aspekte der PIU zu entwickeln. Während junge Menschen möglicherweise stärker gefährdet sind, eine PIU zu entwickeln, die dazu neigt, Pornografie anzuschauen, ist eine Anfälligkeit, die im mittleren Alter weniger stark ausgeprägt sein kann und später im Leben nachlässt, die Wahrscheinlichkeit einer PIU, die durch einen problematischen Zeiteinsatz gekennzeichnet ist, eher anfällig Verschwender und Streaming-Medien (siehe Exploratorium Abb.. 4 ). Schließlich könnte allgemeines Surfen eine unterbewertete Facette von PIU sein, die anscheinend stärker mit höheren PIU-Werten bei jungen Menschen in Verbindung gebracht wird, jedoch für alle Altersgruppen wichtig ist. Diese Feststellung hängt möglicherweise mit der Tatsache zusammen, dass das frühe Erwachsenenleben weniger zielgerichtet sein kann und die Jugendlichen mehr Zeit bei unstrukturierten Aktivitäten in Online-Umgebungen verbringen als andere ältere Altersgruppen.
Unsere Ergebnisse haben auch Auswirkungen auf die öffentliche Gesundheit in Bezug auf die Regulierung von Online-Inhalten und gezielte Interventionen. Wenn bestimmte Aktivitäten stärker mit der Entwicklung problematischer Nutzung verbunden sind als andere, stellt sich die Frage, ob die Politik im Bereich der öffentlichen Gesundheit auf Gruppen schutzbedürftiger Personen abzielen sollte, um ihre Widerstandsfähigkeit gegenüber PIU-Risiken zu verbessern, oder ob universellere Interventionen auf bestimmte Aspekte abzielen von Internetverhalten sollte berücksichtigt werden, um die Online-Umgebungen weniger süchtig zu machen. Beispielsweise können Online-Plattformen in einigen Fällen bestimmte Architekturen verwenden, die die Schwachstellen der Benutzer ausnutzen (dh impulsive oder zwanghafte Eigenschaften) und darauf abzielen, die Aufenthaltsdauer der Benutzer in der Online-Umgebung zu maximieren. Dies ist zwar aus Marketingsicht sinnvoll, wirft jedoch Bedenken auf, ob diese Umgebungen auch eine Gesundheitswarnung an den Benutzer ausgeben sollten.
4.1
Einschränkungen
Dies war eine Online-Querschnittsumfrage, daher können keine kausalen Zusammenhänge gezogen werden. Aufgrund der Rekrutierungsmethode und der möglichen Neigung von Personen mit PIU, eine Online-Umfrage mit größerer Wahrscheinlichkeit auszufüllen, lassen sich die aktuellen Ergebnisse möglicherweise nicht auf PIU in der allgemeinen Hintergrundbevölkerung verallgemeinern. Eine weitere Einschränkung unserer Studie ist das Fehlen klinischer Daten für einige mit PIU assoziierte diagnostische Einheiten, z. B. Depressionen oder Substanzmissbrauch. Daher ist es möglich, dass Depressionen oder Substanzmissbrauch für einige der in unserer Studie beobachteten Assoziationen verantwortlich sind. Zukünftige Studien sollten ein breiteres Spektrum klinischer Parameter umfassen, um zu untersuchen, ob diese für Zusammenhänge zwischen PIU- und Internetaktivitäten verantwortlich sind. Es gibt weitere Einschränkungen hinsichtlich unserer klinischen Daten, die sich aus der Verwendung des MINI ergeben. Dies wird validiert, um von einer geschulten Person in einem persönlichen Interview geliefert zu werden, während es in unserer Studie über ein Online-Tool geliefert wurde. Unsere klinischen Daten stimmen jedoch mit früheren Studien zur PIU überein. Ein weiterer Nachteil unserer Datenerfassung war, dass wir die Internetaktivität anhand der für die Aktivität aufgewendeten Zeit als Proxy-Maß für die PIU dieser Aktivität bewerteten. Dies kann zwar eine übermäßige und daher problematische Verwendung erfassen, kann jedoch möglicherweise auch eine wesentliche Verwendung erfassen. Während die in dieser Studie bewerteten Aktivitäten aufgrund ihrer Art (z. B. Zeitverschwendung) oder wenn sie in starkem Übermaß (z. B.> 8 h / Tag Einkaufen, Glücksspiel oder Pornografie) durchgeführt werden, häufig standardmäßig nicht wesentlich waren, könnten zukünftige Studien dies tun Dazu gehören Maßnahmen, mit denen für jede Internetaktivität eine wesentliche von einer nicht wesentlichen Internetnutzung unterschieden werden kann, um solche Analysen zu ermöglichen. Eine weitere Einschränkung unserer Studie ist der Mangel an Daten für Kinder und Jugendliche. Kinder und Jugendliche können auf unterschiedliche Weise mit dem Internet interagieren, sind jedoch auch während eines anderen neurologischen Entwicklungsfensters der Online-Nutzung ausgesetzt. Daher können solche Unterschiede unterschiedliche Schwachstellen oder Belastbarkeit hinsichtlich des Risikos für die Entwicklung von PIU implizieren. Zum Beispiel kann eine frühe, geringe Exposition gegenüber der Online-Umgebung einen "Stressimpfungseffekt" haben (
), der Einzelpersonen von der zukünftigen Entwicklung der PIU abhält. In diesem Fall kann dies weiter erklären, warum ältere Bevölkerungsgruppen, die erst im Erwachsenenalter zum ersten Mal mit Online-Umgebungen in Berührung gekommen sind, möglicherweise anfälliger sind. Zukünftige Studien könnten diese Altersgruppen von Kindern und Jugendlichen einschließen und prospektiv untersuchen, ob bestimmte Internetaktivitäten die PIU vorhersagen. Leider war die Anzahl der Teilnehmer, die über das Geschlecht der Transgender berichteten, gering (n = 18), was keine aussagekräftige Analyse der Auswirkungen des Geschlechts der Transgender ermöglichte. Eine letzte Einschränkung unserer Studie besteht darin, dass unsere Studienpopulation aus gesunden Erwachsenen besteht, die nur in <1% unter einem signifikanten PIU-Verhalten leiden (IAT> 80). Zukünftige Studien würden von einem spezifischen Fokus auf das obere Ende des PIU-Spektrums profitieren, um diese schweren PIU-Populationen mit einer Kontrollgruppe von Personen mit niedrigem bis mittlerem oder Nicht-PIU vergleichen zu können. Während die geschätzte Punktprävalenz von PIU in unserer Stichprobe ~ 8.5% betrug (unter Verwendung eines IAT-Grenzwerts von ≥ 50), bleiben die Schwellenwerte für die klinische Häufigkeit von PIU umstritten, und zukünftige Forschungen würden von einer allgemein akzeptierten Messung und Definition von PIU profitieren.
4.2
Zusammenfassung
Zusammenfassend weist DSM-5 darauf hin, dass Internet-Gaming-Störungen als mögliche Kandidaten in Frage kommen. Andere Online-Verhaltensweisen (z. B. Einkaufen, Pornografie, allgemeines Surfen) stehen jedoch in stärkerem Zusammenhang mit der missbräuchlichen Nutzung des Internets als mit Spielen. Psychiatrische Diagnosen und Internetaktivitäten im Zusammenhang mit der problematischen Internetnutzung variieren mit dem Alter, ein Ergebnis, das Auswirkungen auf die öffentliche Gesundheit hat. Diese Ergebnisse tragen zum begrenzten Wissen über Internetaktivitäten bei problematischer Internetnutzung bei und können zur diagnostischen Klassifizierung problematischer Internetnutzung als vielschichtige Störung beitragen.
Rolle der Finanzierungsquellen
Diese Forschung erhielt interne Abteilungsgelder der Abteilung für Psychiatrie an der University of Chicago. Die Forschungsaktivitäten von Dr. Ioannidis werden durch Special Interest-Sitzungen für die Aufklärung über Gesundheit in East of England unterstützt. Die Autoren erhielten keine Mittel für die Erstellung dieses Manuskripts. Die Finanzierungsquelle spielte keine Rolle beim Entwurf, bei der Datenanalyse oder beim Schreiben der Studie.
Mitwirkende
KI entwarf die Idee für das Manuskript, analysierte die Daten, verfasste den Großteil des Manuskripts und des ergänzenden Materials und koordinierte die Beiträge der Mitautoren. MT und FK waren an der Konzeption und Überprüfung der statistischen Analyse beteiligt. SRC, SR, DJS, CL und JEG haben die Studie entworfen und koordiniert sowie die Daten gesammelt und verwaltet. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt und zur Ausarbeitung und Überarbeitung des Papiers sowie zur Interpretation der Ergebnisse beigetragen.
Interessenkonflikt
Dr. Grant erhielt Forschungsstipendien von NIDA (RC1DA028279-01), dem National Center for Responsible Gaming sowie von Roche und Forest Pharmaceuticals. Dr. Grant erhält eine Entschädigung von Springer als Chefredakteur des Journal of Gambling Studies und erhielt Honorare von McGraw Hill, Oxford University Press, Norton und dem APPI. Dr. Chamberlain berät sich bei Cambridge Cognition. Seine Beteiligung an dieser Forschung wurde durch ein Intermediate Clinical Fellowship des Wellcome Trust (UK; 110049 / Z / 15 / Z) unterstützt. Dan Stein und Christine Lochner werden vom Medical Research Council of South Africa finanziert. Die anderen Autoren geben keine finanziellen Beziehungen mit wirtschaftlichem Interesse an. Keine der oben genannten Quellen hatte eine Rolle bei der Gestaltung, Erhebung, Analyse oder Interpretation der Daten, beim Schreiben des Manuskripts oder bei der Entscheidung, das Papier zur Veröffentlichung einzureichen.
Wissen
Wir sind den Freiwilligen beider Standorte, die an der Studie teilgenommen haben, zu Dank verpflichtet.
Anhang A
Zusätzliche Angaben
Ergänzungsmaterial
Bibliographie
- Achabet al., 2011. Achab S., Nicolier M., Mauny F., Monnin J., Trojak B., Vandel P. und Haffen E .: Massively Multiplayer Online-Rollenspiele: Vergleich der Eigenschaften von süchtigen und nicht süchtigen online-geworbenen Spielern in einem Französische erwachsene Bevölkerung. BMC Psychiatrie 2011; 11: S. 144
In Artikel anzeigen - American Psychiatric Association, 2013. American Psychiatric Association: Diagnose- und Statistikhandbuch für psychische Störungen: DSM-5. Washington, DC: Amerikanische Psychiatrische Vereinigung, 2013.
In Artikel anzeigen - Andreassen et al., 2012. Andreassen CS, Torsheim T., Brunborg GS und Pallesen S .: Entwicklung einer Facebook-Sucht-Skala. Psychologische Berichte 2012; 110: S. 501-517
In Artikel anzeigen | Kreuz Ref - Bakken et al., 2009. Bakken IJ, Wenzel HG, Götestam KG, Johansson A. und Oren A .: Internetsucht bei norwegischen Erwachsenen: Eine stratifizierte Wahrscheinlichkeitsstichprobe. Skandinavisches Journal für Psychologie 2009; 50: S. 121-127
In Artikel anzeigen | Kreuz Ref - Schwarz, 2007. Black DW: Eine Überprüfung der zwanghaften Kaufstörung. Weltpsychiatrie: Amtsblatt der Weltpsychiatrischen Vereinigung (WPA) 2007; 6: S. 14-18
In Artikel anzeigen - Block, 2008. Block JJ: Probleme für DSM-V: Internetsucht. American Journal of Psychiatry 2008; 165: S. 306-307
In Artikel anzeigen | Kreuz Ref - Marke et al., 2011. Brand M., Laier C., Pawlikowski M., Schächtle U., Schöler T. und Altstötter-Gleich C .: Pornografische Bilder im Internet betrachten: Rolle der Bewertung sexueller Erregung und psychologisch-psychiatrische Symptome bei übermäßiger Verwendung von Sex-Sites im Internet . Cyberpsychologie, Verhalten und soziale Vernetzung 2011; 14: S. 371-377
In Artikel anzeigen | Kreuz Ref - Breiman, 2001. Breiman L .: Statistische Modellierung: Die zwei Kulturen. Statistische Wissenschaft 2001; 16: S. 199-215
In Artikel anzeigen - Bujak et al., 2016. Bujak R., Daghir-Wojtkowiak E., Kaliszan R. und Markuszewski MJ: PLS-basierte und auf Regularisierung basierende Methoden für die Auswahl relevanter Variablen in nicht-zielgerichteten Metabolomikendaten. Grenzen in molekularen Biowissenschaften 2016; 3: S. 1-10
In Artikel anzeigen - Burns et al., 1996. Burns GL, Keortge SG, Formea GM und Sternberger LG: Überarbeitung des Padua-Inventars der Symptome der Zwangsstörung: Unterscheidung zwischen Sorgen, Obsessionen und Zwang. Verhaltensforschung und Therapie 1996; 34: S. 163-173
In Artikel anzeigen | Kreuz Ref - Cao et al., 2007. Cao F., Su L., Liu T. und Gao X .: Die Beziehung zwischen Impulsivität und Internetsucht in einer Stichprobe chinesischer Jugendlicher. Europäische Psychiatrie 2007; 22: S. 466-471
In Artikel anzeigen | Kreuz Ref - Carliet al., 2013. Carli V., Durkee T., Wasserman D., Hadlaczky G., Despalins R., Kramarz E. und Kaess M .: Der Zusammenhang zwischen pathologischer Internetnutzung und komorbider Psychopathologie: Eine systematische Übersicht. Psychopathologie 2013; 46: S. 1-13
In Artikel anzeigen | Kreuz Ref - Claes et al., 2016. Claes L., Müller A. und Luyckx K .: Zwanghaftes Kaufen und Horten als Identitätsersatzmittel: Die Rolle der materialistischen Wertbestätigung und Depression. Umfassende Psychiatrie 2016; 68: S. 65-71
In Artikel anzeigen | Kreuz Ref - Cole und Hooley, 2013. Cole SH und Hooley JM: Klinische und persönliche Korrelate von MMO-Spielen: Angst und Absorption bei problematischer Internetnutzung. Social Science Computer Review 2013; 31: S. 424-436
In Artikel anzeigen | Kreuz Ref - Cunningham-Williams ua, 2005. Cunningham-Williams RM, Grucza RA, Cottler LB, Womack SB, Bücher SJ, Przybeck TR und Cloninger CR: Prävalenz und Prädiktoren für pathologisches Glücksspiel: Ergebnisse der St. Louis-Persönlichkeits-, Gesundheits- und Lebensstilstudie (SLPHL). Journal of Psychiatric Research 2005; 39: S. 377-390
In Artikel anzeigen | Kreuz Ref - von Elm et al., 2008. von Elm E., Altman DG, Egger M., Pocock SJ, Gøtzsche PC, Vandenbroucke JP und Initiative S .: Verstärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie (STROBE): Leitlinien für die Berichterstattung über Beobachtungsstudien. Journal of Clinical Epidemiology 2008; 61: S. 344-349
In Artikel anzeigen | Kreuz Ref - Fernández-Villa et al., 2015. Fernández-Villa T., Alguacil Ojeda J., Almaraz Gómez A., Cancela Carral JM, Delgado-Rodríguez M., García-Martín M. und Martín V .: Problematische Internetnutzung bei Studenten: Assoziierte Faktoren und Unterschiede des Geschlechts . Adicciones 2015; 27: S. 265-275
In Artikel anzeigen | Kreuz Ref - Friedman et al., 2010. Friedman J., Hastie T. und Tibshirani R .: Regularisierungspfade für verallgemeinerte lineare Modelle über Koordinatenabstieg. Journal für statistische Software 2010; 33: S. 1-22
In Artikel anzeigen - Griffiths, 2003. Griffiths M.: Internet-Glücksspiel: Probleme, Bedenken und Empfehlungen. Cyberpsychologie & Verhalten: Der Einfluss von Internet, Multimedia und virtueller Realität auf Verhalten und Gesellschaft 2003; 6: S. 557-568
In Artikel anzeigen | Kreuz Ref - Ha und Hwang, 2014. Ha Y.-M. und Hwang WJ: Geschlechtsspezifische Unterschiede in der Internetsucht, die mit psychologischen Gesundheitsindikatoren bei Jugendlichen unter Verwendung einer nationalen webbasierten Umfrage verbunden sind. Internationale Zeitschrift für psychische Gesundheit und Sucht 2014; 12: S. 660-669
In Artikel anzeigen | Kreuz Ref - Ho et al., 2014. Ho RC, Zhang MWB, Tsang TY, Toh AH, Pan F., Lu Y. und Mak K.-K .: Der Zusammenhang zwischen Internetsucht und psychiatrischer Komorbidität: Eine Metaanalyse. BMC Psychiatrie 2014; 14: S. 183
In Artikel anzeigen - Hoerl und Kennard, 1970. Hoerl AE und Kennard RW: Ridge-Regression: Verzerrte Abschätzung für nichtorthogonale Probleme. Technometrics 1970; 12: S. 55-67
In Artikel anzeigen - Huys et al., 2016. Huys QJM, Maia TV und Frank MJ: Computational Psychiatrie als Brücke von der Neurowissenschaft zu klinischen Anwendungen. Nature Neuroscience 2016; 19: S. 404-413
In Artikel anzeigen | Kreuz Ref - Igarashi et al., 2008. Igarashi T., Motoyoshi T., Takai J. und Yoshida T .: Kein Handy, kein Leben: Selbstwahrnehmung und Abhängigkeit von SMS-Nachrichten unter japanischen Gymnasiasten.
In Artikel anzeigen - Ioannidis et al., 2016. Ioannidis K., Chamberlain SR, Treder MS, Kiraly F., Leppink E., Redden S. und Grant JE: Problematische Internetnutzung (PIU): Assoziationen mit dem impulsiv-zwanghaften Spektrum. Journal of Psych: Eine Anwendung des maschinellen Lernens in der Psychiatrie, 2016.
In Artikel anzeigen - Janower, 2006. Janower CR: Glücksspiel im Internet. Journal of Computer-Mediated Communication 2006; 2: S. 0
In Artikel anzeigen | Kreuz Ref - Kessler et al., 2005. RC Kessler, Adler L., Ames M., Demler O., Faraone S., Hiripi E. und Walters EE: Die ADHS-Selbstbericht-Skala der Erwachsenen-Weltgesundheitsorganisation für Erwachsene (ASRS): Eine kurze Screening-Skala zur Verwendung im Allgemeinen Population. Psychologische Medizin 2005; 35: S. 245-256
In Artikel anzeigen | Kreuz Ref - Kessler et al., 2016. RC Kessler, van Loo HM, Wardenaar KJ, Bossarte RM, Brenner LA, Cai T. und Zaslavsky AM: Test eines Machine-Learning-Algorithmus zur Vorhersage der Persistenz und des Schweregrads einer depressiven Depression anhand von Selbsttestberichten. Molekulare Psychiatrie 2016; 21: S. 1366-1371
In Artikel anzeigen | Kreuz Ref - Khazaal et al., 2015. Khazaal Y., Achab S., Billieux J., Thorens G., Zullino D., Dufour M. und Rothen S .: Faktorenstruktur des Internetsuchtetests bei Online-Spielern und Pokerspielern. JMIR Mental Health 2015; 2:
In Artikel anzeigen - Kim et al., 2016. Kim D., Kang M., Biswas A., Liu C. und Gao J .: Integrativer Ansatz zur Ableitung von Regulationsnetzwerken unter Verwendung von Lasso-basierten Zufallsmerkmalen und deren Anwendung bei psychiatrischen Erkrankungen. BMC Medical Genomics 2016; 9: S. 50
In Artikel anzeigen - König, 1999. King SA: Glücksspiel und Pornografie im Internet: Illustrative Beispiele für die psychologischen Folgen der Kommunikationsanarchie. Cyberpsychology & Behavior 1999; 2: S. 175-193
In Artikel anzeigen - König und Barak, 1999. King SA und Barak A.: Zwanghaftes Internet-Glücksspiel. Cyberpsychology & Behavior 1999; 2: S. 441-456
In Artikel anzeigen | Kreuz Ref - Király et al., 2015. Király O., Griffiths MD und Demetrovics Z .: Internet-Gaming-Störung und DSM-5: Konzeptualisierung, Debatten und Kontroversen. Aktuelle Suchtberichte 2015; 2: S. 254-262
In Artikel anzeigen - Király et al., 2014. Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z. und Demetrovics Z .: Problematische Internetnutzung und problematisches Online-Gaming sind nicht dasselbe: Ergebnisse einer großen, national repräsentativen jugendlichen Stichprobe. Cyberpsychologie, Verhalten und soziale Vernetzung 2014; 17: S. 749-754
In Artikel anzeigen - Kittinger et al., 2012. Kittinger R., Correia CJ und Irons JG: Beziehung zwischen Facebook-Nutzung und problematischer Internetnutzung unter College-Studenten. Cyberpsychologie, Verhalten und soziale Vernetzung 2012; 15: S. 324-327
In Artikel anzeigen | Kreuz Ref - Ko et al., 2012. Ko C.-H., Yen J.-Y., Yen C.-F., Chen C.-S. und Chen C.-C .: Der Zusammenhang zwischen Internetsucht und psychiatrischen Störungen: Ein Überblick über die Literatur . Europäische Psychiatrie 2012; 27: S. 1-8
In Artikel anzeigen - Ko et al., 2007. Ko C.-H., Yen J.-Y., Yen C.-F., Lin H.-C. und Yang M.-J.: Faktoren, die die Inzidenz und Remission von Internetabhängigkeit bei jungen Jugendlichen vorhersagen: A. prospektive Studie. Cyberpsychologie & Verhalten: Der Einfluss von Internet, Multimedia und virtueller Realität auf Verhalten und Gesellschaft 2007; 10: S. 545-551
In Artikel anzeigen | Kreuz Ref - Kuss und Griffiths, 2011. Kuss DJ und Griffiths MD: Online Social Networking und Sucht - Ein Überblick über die psychologische Literatur. Internationale Zeitschrift für Umweltforschung und Gesundheitswesen 2011; 8: S. 3528-3552
In Artikel anzeigen | Kreuz Ref - Kuss et al., 2013. Kuss DJ, Griffiths MD und Binder JF: Internetsucht bei Studenten: Prävalenz und Risikofaktoren. Computer im menschlichen Verhalten 2013; 29: S. 959-966
In Artikel anzeigen | Kreuz Ref - Kuss und Lopez-Fernandez, 2016. Kuss DJ und Lopez-Fernandez O .: Internetsucht und problematische Internetnutzung: Eine systematische Überprüfung der klinischen Forschung. World Journal of Psychiatry 2016; 6: S. 143-176
In Artikel anzeigen | Kreuz Ref - Laconi et al., 2016. Laconi S., Andréoletti A., Chauchard E., Rodgers RF und Chabrol H.: Problematische Internetnutzung, Online-Zeit und Persönlichkeitsmerkmale. L'Encéphale 2016; 42: S. 214-218
In Artikel anzeigen | Kreuz Ref - Laconi et al., 2014. Laconi S., Rodgers RF und Chabrol H .: Die Messung der Internetsucht: Eine kritische Überprüfung vorhandener Skalen und ihrer psychometrischen Eigenschaften. Computer im menschlichen Verhalten 2014; 41: S. 190-202
In Artikel anzeigen | Kreuz Ref - Laier et al., 2013. Laier C., Pawlikowski M., Pekal J., Schulte FP und Brand M .: Cybersex-Sucht: Erfahrene sexuelle Erregung beim Anschauen von Pornografie und nicht die realen sexuellen Kontakte machen den Unterschied. Journal of Behavioral Addictions 2013; 2: S. 100-107
In Artikel anzeigen | Kreuz Ref - Lecardeur, 2013. Lecardeur L .: Psychopathologie du Jeu Multi-Joueurs en ligne. Annales Médico-Psychologiques, Revue Psychiatrique 2013; 171: S. 579-586
In Artikel anzeigen | Kreuz Ref - Liang et al., 2016. Liang L., Zhou D., Yuan C., Shao A. und Bian Y .: Geschlechtsspezifische Unterschiede in der Beziehung zwischen Internetsucht und Depressionen: Eine Studie mit Langzeitverzögerung bei chinesischen Jugendlichen. Computer im menschlichen Verhalten 2016; 63: S. 463-470
In Artikel anzeigen | Kreuz Ref - Lopez-Fernandez, 2015. Lopez-Fernandez O .: Wie hat sich die Internet-Suchtforschung seit dem Aufkommen der Internet-Gaming-Störung entwickelt? Ein Überblick über Cyberaddictions aus psychologischer Sicht. Aktuelle Suchtberichte 2015; 2: S. 263-271
In Artikel anzeigen | Kreuz Ref - Masten und Tellegen, 2012. Masten AS und Tellegen A .: Resilienz in der Entwicklungspsychopathologie: Beiträge der Projektkompetenz-Längsschnittstudie. Entwicklung und Psychopathologie 2012; 24: S. 345-361
In Artikel anzeigen | Kreuz Ref - Mueller et al., 2010. Mueller A., Mitchell JE, Crosby RD, Gefeller O., Faber RJ, Martin A. und de Zwaan M .: Geschätzte Prävalenz zwanghaften Kaufens in Deutschland und seine Verbindung mit soziodemographischen Merkmalen und depressiven Symptomen. Psychiatrieforschung 2010; 180: S. 137-142
In Artikel anzeigen | Kreuz Ref - Pattonet al., 1995. Patton JH, Stanford MS und Barratt ES: Faktorstruktur der Barratt-Impulsskala. Journal of Clinical Psychology 1995; 51: S. 768-774
In Artikel anzeigen | Recupero, 2008. Recupero PR: Forensische Bewertung problematischer Internetnutzung. Das Journal der amerikanischen Akademie für Psychiatrie und des Gesetzes 2008; 36: S. 505-514
In Artikel anzeigen - Rose und Dhandayudham, 2014. Rose S. und Dhandayudham A .: Auf dem Weg zu einem Verständnis des Verhaltens beim Internet-Problemverhalten: Das Konzept der Online-Kaufsucht und ihre vorgeschlagenen Prädiktoren. Journal of Behavioral Addictions 2014; 3: S. 83-89
In Artikel anzeigen | Kreuz Ref - Rutland et al., 2007. Rutland JB, Sheets T. und Young T.: Entwicklung einer Skala zur Messung der problematischen Nutzung von Kurznachrichtendiensten: Das SMS-Problem verwendet einen diagnostischen Fragebogen. Cyberpsychology & Behavior 2007; 10: S. 841-844
In Artikel anzeigen | Kreuz Ref - Rutter, 1993. Rutter M .: Resilienz: Einige konzeptionelle Überlegungen. The Journal of Adolescent Health: Offizielle Veröffentlichung der Society for Adolescent Medicine 1993; 14: S. 626-631
In Artikel anzeigen | Kreuz Ref - Shaw und Black, 2008. Shaw M. und Black DW: Internetsucht: Definition, Bewertung, Epidemiologie und klinisches Management. ZNS-Medikamente 2008; 22: S. 353-365
In Artikel anzeigen | Kreuz Ref - Sheehan et al., 1998. Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E. und Dunbar GC: Das Mini-Internationale Neuropsychiatrische Interview (MINI): Die Entwicklung und Validierung eines strukturierten diagnostischen psychiatrischen Interviews für DSM-IV und ICD-10. Die Zeitschrift für klinische Psychiatrie 1998; 59:
In Artikel anzeigen - Tam und Walter, 2013. Tam P. und Walter G .: Problematische Internetnutzung in der Kindheit und Jugend: Entwicklung eines 21st-Jahrhunderts. Australasian Psychiatrie 2013; nicht definiert:
In Artikel anzeigen - Tibshirani, 1996. Tibshirani R .: Regressionsschrumpfung und Auswahl über das Lasso. Zeitschrift der Royal Statistical Society, Serie B 1996; 58: S. 267-288
In Artikel anzeigen - Tichonov, 1963. Tikhonov AN: Lösung von falsch formulierten Problemen und der Regularisierungsmethode. Sowjetische Mathematik Doklady 1963; 5: S. 1035-1038
In Artikel anzeigen - Trotzke et al., 2015. Trotzke P., Starcke K., Müller A. und Brand M .: Pathologisches Online-Kaufen als spezifische Form der Internetsucht: Eine modellbasierte experimentelle Untersuchung. PLoS One 2015; 10:
In Artikel anzeigen - Tsai et al., 2009. Tsai HF, Cheng SH, Yeh TL, Shih C.-C., Chen KC, Yang YC und Yang YK: Die Risikofaktoren der Internetsucht - eine Umfrage unter Studienanfängern. Psychiatrieforschung 2009; 167: S. 294-299
In Artikel anzeigen | Kreuz Ref - Wallace, 2014. Wallace P.: Internet-Suchtstörung und Jugend: Es gibt wachsende Bedenken hinsichtlich zwanghafter Online-Aktivitäten und dass dies die Leistung und das soziale Leben der Schüler beeinträchtigen könnte. EMBO-Berichte 2014; 15: S. 12-16
In Artikel anzeigen | Kreuz Ref - Xin et al., 2018. Xin M., Xing J., Pengfei W., Houru L., Mengcheng W. und Hong Z .: Online-Aktivitäten, Prävalenz der Internetsucht und Risikofaktoren im Zusammenhang mit Familie und Schule bei Jugendlichen in China. Addictive Behaviors Reports 2018; 7: S. 14-18
In Artikel anzeigen | Kreuz Ref - Yuen et al., 2004. Yuen CN, Lavin MJ, Weinman M. und Kozak K.: Internetabhängigkeit in der College-Bevölkerung: Die Rolle der Schüchternheit. Cyberpsychology & Behavior 2004; 7: S. 379-383
In Artikel anzeigen | Kreuz Ref - Jung, 1998. Young KS: Internetabhängigkeit: Die Entstehung einer neuen klinischen Störung. CyberPsychology & Behavior 1998; 1: S. 237-244
In Artikel anzeigen | Kreuz Ref
;
